理論與現實，人工智慧“活著”比你想象要困難

一直以來智慧機器人總是以模仿人類為出發點去開發，也是人工智慧不變的方向，從聲音到步態，從協調性與靈敏度，都是業界難題。但是透過機器學習，這樣的難題或許能被改善。

不論是呼喚同伴，低沉咆哮還是奮力追趕、摔倒、爬起，這些對於自然界的生物來說都是與生俱來的本能。而眾所周知，優雅地行走還是自然地抓取，機器人在這方面的表現一直不盡如人意，步態運動的協調性和機器手的靈巧度一直是業界難題。

但現在，情況正一點點發生變化。

據日前英國《自然》新聞與觀點文章稱，歷經幾十年，機器人終於在機器學習的幫助下，開始掌握自然地行走、奔跑和抓物的技能了。這一突破，被認為拉開了具有“物理靈活性”的人工智慧時代的序幕，同時，開啟了一個“機器人自主時代”。

機器人“活得”比你想的要難，一個機器人的“生命”，是從模擬開始的，例如在軟體層面中的語音系統也是工程師堆堆砌的演算法，然後植入到系統軟體之中達成的，從最初的聲紋模仿，語音修改，到後來人機對話，甚至是最近很多企業廣泛使用的電話機器人好不好用問題的解決，都是透過模仿開始的。而把機器人從軟體層面移植到硬體層面中就需要工程師們首先會看引導軟體在虛擬世界中是否表現良好，如果令人滿意，這個軟體就會被放進機器人體內，應用於物理世界。

但在物理世界中，看似很小的障礙都會讓機器人陷入困境，他們不可避免地遭遇“真實世界”帶來的無數巨大難題——那些無法預測的表面摩擦力、結構柔性、振動，以及機器人自身的感測器延遲、致動器轉化不良等等，這一連串障礙，幾乎沒有一個能用數學模型提前假設。

過去幾十年來，工程師其實也在不斷嘗試透過基於預測性數學模型（經典控制論）的軟體，去引導機器人進行肢體活動。然而，這個方法在引導機器人肢體執行行走、攀爬和抓取不同形狀物體這類極為簡單的任務時，被證明無效。

機器人在模擬環境中即使再應對自如，進入真實的物理世界，也會如懵懂孩童般跌跌撞撞。

機器學習或能彌合模擬與現實差距

當人們已習慣機器人數十年如一日的蹣跚學步，科學家們卻突然點亮了希望。

日前，蘇黎世聯邦理工學院機器人系統實驗室團隊在《科學·機器人學》上發表最新論文，給出了新證據表明，運用資料驅動法設計的機器人軟體，有很大希望解決機器人學和人工智慧研究長期面臨的巨大難題——模擬與現實之間的差距。

團隊演示的方法是將經典控制論與機器學習技術相結合。他們首先設計了一個四足機器人的傳統數學模型，並給機器人起名“ANYmal”。接下來，再從引導機器人四肢運動的致動器中收集資料，資料輸入多個人工智慧神經網路系統，從而建立了第二個模型。這個機器學習模型，就可以自動預測“AMYmal”機器人的肢體運動。經過訓練的神經網路，只要插入第一個模型中，就可以在電腦上模擬執行這個混合模型。

團隊發現這種利用資料驅動法設計的軟體，大大提高了機器人的運動技能——它速度更快，動作也更精準。而且先將運動策略在模擬器中最佳化，再轉入機器人體內在物理世界進行測試，最後機器人的表現，竟然和模擬表現一樣好。

混合模型是變革的第一步

這一成就，被認為是機器人及人工智慧的一項重要突破，其預示著，曾經不可逾越的模擬與現實之間的差距正在被消弭。

其也預示著新一輪人工智慧的重大變革，而混合模型，正是這場變革的第一步。之後，所有的分析模型都將面臨“下崗”。

透過機器人在現實環境中收集到的資料，訓練機器學習模型——這一方法也被稱為“端到端訓練”（end-to-end training）。其正緩慢但堅定地照進現實，在諸如關節式機械臂、多指機械手、無人機，甚至是無人駕駛汽車中得到應用。

或許不久的將來，機器人工程師將不必再“告訴”機器人如何走路、如何抓取，而是讓機器人利用自身收集得來的資料，進行自我學習。

不過，現階段其也存在一定挑戰。最重要的就是要最佳化可擴充套件性，以確定“端到端訓練”是否可以擴充套件用於引導擁有幾十個致動器的複雜機器，譬如類人機器人、製造工廠、智慧城市這一類大型系統，進而用數字技術幫助人類切實地提高生活質量。

《自然》觀點文章稱，對人類來說，當腦中對未來行動的思路越清晰，這個人的自我意識能力也就越高。現如今，機器人已經在學習的路上更進一步，其不僅是一次具有實際意義的突破，讓某些工程性勞動得以解放，還標誌著科學家們已開啟了“機器人自主時代”。